本报告基于日频量价和高频量价数据的混频深度学习模型,构建了新的选股因子,实现了对股票未来5日和10日收益的有效预测,周均IC达到0.10以上,TOP 10%多头组合年化超额收益逾30%。混频因子在不同市值与成交金额区间表现优异,结合深度学习模型扩展,可生成多组正交因子,为指数增强策略提供坚实支撑,相关指数增强组合年化超额收益在15%-25%之间波动。
| 预测标签 | IC均值 | 年化ICIR | 周度胜率 | 因子自相关性 | TOP10%组合换手率 |
|---|---|---|---|---|---|
| 未来5日 | 0.104 | 8.418 | 91% | 0.53 | 64% |
| 未来10日 | 0.102 | 7.853 | 87% | 0.66 | 56% |
| 因子类别 | IC均值 | 年化ICIR | 胜率 | 自相关性 | 换手率 |
|---|---|---|---|---|---|
| 改进GRU(高频) | 0.064 | 8.269 | 90% | 0.37 | 71% |
| 残差注意力(高频) | 0.064 | 7.970 | 88% | 0.54 | 60% |
| 改进GRU+低频量价复合 | 0.073 | 4.798 | 76% | 0.66 | 57% |
| 混频深度学习因子 | 0.104 | 8.418 | 91% | 0.53 | 64% |
| 组合 | 成分股约束 | 年化超额收益区间 | 2023年初至今超额收益 |
|---|---|---|---|
| 中证500增强 | 无 | 15%-22% | 0.7%-5.6% |
| 中证500增强 | 90%约束 | 10%-15% | -2%至1.5% |
| 中证1000增强 | 无 | 18%-27% | 0.6%-4.7% |
| 中证1000增强 | 90%约束 | 18%-25% | 2.2%-5.9% |
(示意图同第4页)
核心论点:
该报告基于此前深度学习挖掘高频Alpha因子的工作,首次将日频量价特征融入高频数据训练,延长模型训练和迭代周期,通过双GRU架构及多层感知机(MLP)融合两类因子,成功构建出综合性能优异的混频深度学习因子。该因子自2017年以来在不同预测周期(5日和10日)及不同选股空间表现出稳健、显著的选股能力,多头组合年化超额收益高达30%-35%的水平,且通过构建中证500及中证1000指数增强组合,验证了策略的实用价值。
风险提示涵盖市场系统性风险、资产流动性风险、政策变动风险、因子失效风险。
报告引用了前期的多篇系列研究,逐步探讨了深度学习在高频因子挖掘中的应用与优化,说明此次报告是在该系列研究基础上,通过引入日度因子扩展的后续工作,旨在实现信息的多尺度融合与增量 Alpha 的挖掘。
特征构建:
共使用26个日频量价特征(如开盘价、收盘价、成交额等)和64个高频60分钟特征(含分钟K线、盘口快照、逐笔成交等微观数据)输入深度学习框架。低频侧侧重日度收益、交易活跃度与流动性,高频侧关注日内微观结构、委托量变化及大单交易行为。
由于逐笔成交数据存在可得性问题,2013年5月以前的高频特征被填充为0,以保证时间序列一致性。
模型架构:
采用双GRU结构(GRU-1处理日频量价,GRU-2处理高频量价),彼此输出被MLP融合,输出单一预测值。该设计简化了多频数据的时序特征提取,有效融合不同时间尺度信号。
训练细节:
这一训练流程延续以往高频模型日频换仓的操作习惯,在引入低频数据的同时,有效延长训练与迭代周期,增强模型泛化能力。
周频选股能力(2.1小节):
未来5日标签的因子表现最佳,周均IC高达0.10以上,胜率超过85%,ICIR(信息比率)及Rank IC水平均优良,换手率约0.6。未来10日因子IC稍低且自相关性较高,呈现更低换手率。
对预测标签强制正态化调整后,Rank IC显著提升但IC和ICIR表现略有下降,表明正态化优化了排序效果但略损信息效率。
表1和表2数据详细展现了不同成交价假设(t0收盘、t1开盘等)下因子选股指标的稳健性。
相关性分析(表3):
混频深度学习因子的截面相关性显示,与传统低频量价因子(换手率、反转、波动率)相关度较高(绝对值约0.2-0.3),与风格类及高频因子相关度中等(0.1-0.2),与基本面因子ROE、SUE相关极低(<0.1)。
说明混频因子有效补充了经典低频因子的Alpha信息,但与基本面信号互补性好。
多头组合回测(表4、表5):
TOP10%和TOP100组合在多路径均值上,年化超额收益分别约30%和35%。在扣除双边千三交易成本后,净收益仍超过20%,体现因子实际可交易性。
2023年初起多头表现有所下滑,尤其是未来5日因子表现受成本影响较大。
调仓路径影响(表6):
不同调仓路径对TOP100组合年化超额收益影响显著,最高与最低路径差异超过10个百分点,推测因路径股票可交易状态差异所致。
不同选股空间(表7):
按指数划分,因子在中证800和1000外股票表现最佳,在沪深300成分股表现稍逊但依然稳健。
按市值划分,中等市值股票中因子能力最强;成交额层面,高成交金额股票因子效果最好,IC超0.11,年化超额收益超过35%。
说明因子更适合流动性好及中等市值股票。
总体来看,混频因子融合多频数据,显著提升了选股预测效能,且对交易成本有一定耐受力,具有较强实际落地价值。
对比设置:
先前高频深度学习因子(改进GRU及残差注意力)加权低频因子混合,vs. 本文混频深度学习单一模型。
表现对比(表8、表9):
将低频与高频因子线性复合虽提升IC和Rank IC,但ICIR、胜率和换手等指标下降。
混频深度学习模型直接融合两频特征后,IC显著提升,指标均处优质水平,且年化超额收益领先传统模型10-20个百分点。
结论:
混频深度学习模型通过非线性融合实现信息增益,较线性加权方案更优,表明深度模型能捕捉更复杂的量价关系,提升Alpha提取能力。
此部分定量数据严密,强调混频训练是提升高频与低频因子融合效果的关键路径。
换仓频率对因子表现影响:
IC在换仓频率降低(双周、月度)时反而有所上升,可能反映更长周期信号稳定性更强。
但超额收益大幅衰减——月频持有期的多头年化收益约15%,远低于周频的30%。且考虑交易成本后,短周期高频因子仍更适用。
不同选股空间的月频与双周频回测(图2-5):
与周频相似,股票流动性和指数成分对因子表现影响存在同样趋势。
不同调仓路径上因子收益波动较大,反映实际操作对组合结果影响显著。
总结为高频混频因子适合相对短周期策略,而长周期换仓可能牺牲收益表现换取稳定性。
对中证500和中证1000构建基于混频深度学习因子的周度增强组合,设置行业、市值、估值等多重约束及调仓权重限制。
中证500增强组合(3.1小节,表11-13)
在无成分股权重限制时,年化超额收益达15%-22%;引入90%成分股权重限制后降至10%-15%。
2023年初组合表现仍为正,但明显逊色于历史均值,可能因因子拥挤或市场环境变化。
年度风险控制指标如跟踪误差、信息比率、最大回撤等均在合理范围内。
中证1000增强组合(3.2小节,表14-16)
超额收益波动较中证500更小,年化收益约18%-27%,且权重限制对收益影响甚微,因子在中证1000内表现优于中证500成分股。
组合风险指标合理,2022年及以后收益有所下降,与市场变化一致。
整体增强组合回测验证了混频因子的实用性,尤其在流动性较好、覆盖面更广的中证1000市场中表现突出。
目标与方法:
利用深度学习模型中间正确设置正交层,实现输出多组互相正交因子。进一步,可实现与行业、市值、价值因子(BP)等已知因子集合正交,增加信息增量与投资组合构建的灵活度。
结果展示(图6、图7及表17、表18):
此部分体现了模型的灵活性和多元化技术应用,可针对投资策略需求生成差异化因子库,提升组合构建多样性及抗风险能力。
报告提示投资者需关注上述风险,合理配置策略权重。,15]
该报告核心为因子研究和实证选股策略,并未采用传统股票估值方法如DCF或P/E等。估值相关内容主要围绕因子贡献预测预期收益的价值判断,结合选股能力指标(IC、ICIR、胜率)、组合超额收益与风险指标(最大回撤、跟踪误差、信息比率)评估因子及组合表现。
报告强调以下风险:
报告未详细讨论概率分布和风险缓释,但通过组合构建的风险控制约束间接体现风险管理策略。, 15]
本报告具体且系统地展示了通过深度学习融合高频与日频量价数据,成功构建混频深度学习因子,并验证其在中国股票市场的显著选股能力和投资组合增值潜力。该混频因子在五日和十日收益预测标签下,周日均IC约0.10,多路径回测内TOP 10%组合年化超额收益可达30%左右,TOP 100组合更达35%以上。通过调整选股空间、成交量和市值筛选,因子表现稳健且在流动性较好的中等市值及中证800/1000以外的股票中效果最佳。
与传统高频深度学习因子和低频量价因子线性加权复合相比,混频模型采用非线性联合训练取得更高IC提升和综合指标表现,说明深度学习模型在多频因子融合中具有明显优势。此外,基于混频因子构建的中证500和中证1000指数增强组合,在控制风险约束下,实现了年化15%-27%的超额收益,具备良好的实际应用前景。
模型扩展试图构建多因子正交集合,虽对选股能力有一定牺牲,但提高了因子多样性和策略构建灵活度。报告最后适当提示了市场、流动性、政策及因子失效等风险,为投资者提供预警。
总体而言,该研究深化了深度学习因子多频融合的理论与实务基础,数据充分,实证完备,对量化投资策略设计具有较高参考价值。
(报告内容基于海通证券公开数据和研究成果,严谨解读,力求详尽客观。)
选股因子系列研究(八十七):高频与日度量价数据混合的深度学习因子.pdf